Um benchmark testou se o agente aprendeu a raciocinar, ou só decorou o documento certo
OfficeQA Pro V2 trocou o corpus do benchmark original por 120 mil páginas de contas do Tesouro americano justamente pra testar se o ganho de um agente se generaliza, e não só decora um documento específico. Agente genérico ficou em 26% de acurácia, o Genie da Databricks chegou a 60% usando os mesmos modelos.